要使用Apache Nutch爬虫仅爬取现有表中的新注入URL,可以使用以下解决方法:
首先,创建一个继承自Nutch的插件类,例如CustomInjectorPlugin:
import org.apache.hadoop.conf.Configuration;
import org.apache.nutch.crawl.InjectorJob;
import org.apache.nutch.plugin.Extension;
import org.apache.nutch.plugin.PluginRepository;
import org.apache.nutch.util.NutchConfiguration;
public class CustomInjectorPlugin {
public static void main(String[] args) throws Exception {
// 加载Nutch配置
Configuration conf = NutchConfiguration.create();
// 获取所有注册的插件
Extension[] extensions = PluginRepository.get(conf).getExtensionPoint(InjectorJob.X_POINT_ID).getExtensions();
// 遍历插件并找到自定义的注入器插件
for (Extension extension : extensions) {
if (extension.getId().equals("custom-injector")) {
// 使用自定义的注入器插件进行注入
InjectorJob injector = new InjectorJob(conf);
injector.inject(extension.getDescriptor().getPluginAttribute("injector.path"));
break;
}
}
}
}
接下来,在Nutch的配置文件中(nutch-site.xml)中添加以下配置:
plugin.includes
protocol-http|urlfilter-regex|parse-(html|tika)|index-basic|index-(anchor|more)|indexer-elastic|scoring-opic|urlnormalizer-(pass|regex|basic)|protocol-httpclient|custom-injector
插件加载顺序
custom.injector.path
/path/to/custom-injector
自定义注入器插件的路径
在上述配置中,我们添加了一个自定义的injector插件,并指定了该插件的路径。
最后,编译并运行CustomInjectorPlugin类,它将使用自定义的注入器插件仅爬取现有表中的新注入URL。
Nutch提供了命令行工具来处理爬虫任务,其中包括部分命令可以用来筛选URL。
首先,使用Nutch的inject命令将新的URL注入到现有表中:
$ bin/nutch inject crawl/crawldb urls/seed.txt
然后,使用Nutch的generate命令生成需要爬取的URL列表:
$ bin/nutch generate crawl/crawldb crawl/segments
接下来,使用Nutch的fetch命令根据某些条件(例如新注入的URL)来爬取URL:
$ bin/nutch fetch crawl/segments/* -noParsing -noParsingFilter -noCrawlFilter
在上述命令中,我们使用了一些选项来禁用解析和爬取过滤器,以确保所有URL都被爬取。
最后,使用Nutch的updatedb命令更新现有表:
$ bin/nutch updatedb crawl/crawldb crawl/segments
这样,只有新注入的URL会被爬取,并更新到现有表中。
请注意,第二种方法是使用Nutch的默认功能和命令行工具进行URL筛选,不需要编写自定义插件。